视觉目标跟踪是计算机视觉领域中的热门研究课题之一,广泛应用于视频监控、人机交互、智能交通以及军事打击等领域,具有极其重要的实用意义。近年来,目标跟踪技术取得了长足的进步和丰硕的成果,但是实际的跟踪场景往往十分复杂存在多种干扰因素,如何兼顾跟踪精度和跟踪速度仍然是一个亟需解决的难题。本文对DSST(Accurate Scale Estimation for Robust Visual Tracking)算法进行优化改进,提高跟踪性能,并且对改进的跟踪算法进行GPU加速实现实时跟踪。本文的主要研究内容如下:1.对DSST算法进行优化改进,设计再检测模块,提出一种长期目标跟踪算法DSST-RD(Accurate Scale Estimation for Robust Visual Tracking-Redetection)。DSST算法是一种基于相关滤波的跟踪算法,首次将目标跟踪分为目标位置平移和目标尺度变换两个问题,能够很好地解决目标尺度变换的问题,但是当目标丢失时无法重定位。因此,本文基于异常值检测的跟踪失败判定方法和相关滤波分类器设计了一个再检测模型,该模型采用局部搜索为主全局搜索次之的搜索策略,使用由多个相关滤波分类器模型构成的模型库来实现目标重定位,并且在全局搜索时,采用方差分类器缩小候选目标区域。进一步,以DSST算法为基础,结合再检测模块,设计了一种可以应对目标丢失问题的长期目标跟踪算法模型。最后,采用标准测试集OTB100对改进算法进行跟踪性能实验,结果表明改进的算法具有较好的跟踪精度和鲁棒性,对目标遮挡和再检测情况具有良好的跟踪性能。2.使用GPU平台的CUDA异构编程技术对DSST-RD算法进行优化加速。DSST-RD跟踪算法虽然跟踪性能良好,但是跟踪速度较慢,不能满足实时性要求,因而采用CPU+GPU异构架构对其进行并行加速。首先,通过定量分析算法中各模块的耗时占比和任务之间的执行依赖关系,确定采用数据并行的方式进行CUDA并行化设计。然后,采用CUDA异构并行编程模型对FHOG特征提取、核相关计算、快速傅里叶变换、快速检测及模型更新模块进行并行化设计,并从线程组织和内存模型选择两方面对代码进行精心设计。最后,从整体上进行内存优化,统一分配和释放内存,减少设备端和主机端之间的数据拷贝操作,降低数据传输时延,提高跟踪速度。在标准数据集的测试结果表明,GPU加速后的算法能够保持原算法的跟踪成功率,并且能够满足实时跟踪的要求。